arXiv cs.AI· Jianwei Tang, Jian-Fang Hu, Tianming Liang, Xiaotong Lin, Jiangxin Sun, Wei-Shi Zheng, Jianhuang Lai·· 10 小时前AI 评分20
持续先验补偿框架 CPC/CPC++ 提升人体运动预测性能
Human Motion Prediction via Continual Prior Compensation
AI 导读
研究提出持续先验补偿框架 CPC，将不同时间点的运动预测拆分为多个子任务并分阶段训练，缓解长时预测对短时预测的干扰。CPC++ 进一步引入细粒度先验补偿因子 FGPCF，逐子任务估计先验信息损失。在三个 HMP 基准数据集上，CPC 与 CPC++ 搭配 PGBIG、siMLPe、MotionMixer 和 LTD 等 SOTA 骨干模型验证了有效性与灵活性。
正文 · AI 翻译
摘要：人体运动预测（HMP）旨在根据观测到的过去运动序列预测未来不同时刻的人体姿态。以往的方法主要将不同时间时刻的预测视为单一预测任务，并同时学习不同时刻的预测，这会遇到一个主要局限：短期预测（指“近期未来”预测）的学习可能会受到长期（指“远期未来”预测）运动预测的阻碍。本文提出了一种新颖的时间持续学习框架，称为持续先验补偿（CPC），以渐进方式训练 HMP 模型，其中我们将对应不同时间时刻的运动预测任务划分为若干子任务，并以多阶段方式训练模型。为缓解渐进训练中的先验信息遗忘，我们进一步引入可学习的随机变量先验补偿因子（PCF），以显式度量先验知识损失。我们从理论上证明，通过最小化目标函数的合理上界，PCF 可以与模型参数一起被高效学习。所提出的 CPC 被进一步增强以估计每个子任务的先验信息损失，并最终开发了一个新框架，称为持续先验补偿++（CPC++），其采用细粒度先验补偿因子（FGPCF）。我们的 CPC 和 CPC++ 框架相当灵活，可以轻松与不同的 HMP 主干模型集成，并适应各种数据集和应用。在三个 HMP 基准数据集上使用多个 SOTA HMP 主干（PGBIG、siMLPe、MotionMixer 和 LTD）进行的大量实验证明了我们框架的有效性和灵活性。
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.06637 [cs.CV] |
| （或 arXiv:2611.06637v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06637 由 DataCite 颁发的 arXiv DOI（待注册） |
|
| 期刊 参考： | IEEE Transactions on Pattern Analysis and Machine Intelligence (2026) |
| 相关 DOI： | https://doi.org/10.1109/TPAMI.2026.3651530
链接到相关资源的 DOI |
提交历史
来自：Jianwei Tang [查看电子邮件]
[v1]
2026年11月4日星期三 15:19:03 UTC（3,738 KB）
来源：arXiv cs.AI · arxiv.org